Eliza Małek FILTRY WIERZCHONIA JAKO NARZĘDZIE BADAWCZE FILOLOGA

Transkrypt

1 Eliza Małek FILTRY WIERZCHONIA JAKO NARZĘDZIE BADAWCZE FILOLOGA Łódź 2006

2 Copyright by Eliza Małek, Łódź 2006 Recenzent: Piotr K. Witas Wydawca: Instytut Rusycystyki Uniwersytetu Łódzkiego ISBN Wyd. I. Obj. 0,18 a.w. 2

3 WSTĘP Kilka lat temu w serii Semiosis Lexicographica, wydawanej na Uniwersytecie Warszawskim, ukazała się (jako jej tom 15.) niewielka objętościowo praca Piotra Wierzchonia pod zaskakującym tytułem: Z cudzysłowów do poczekalni leksykograficznej [Wierzchoń 2003]; rok temu ten młody poznański lingwista i informatyk w jednej osobie, kierownik Zakładu Koreanistyki Uniwersytetu im. Adama Mickiewicza, opublikował jej część drugą, obszerniejszą [Wierzchoń 2005; por. tejŝe serii tom 26.]. MoŜna tu mówić o wydarzeniu naukowym, jakim jest przedstawione w tych dwu publikacjach narzędzie badawcze, nazwane przeze mnie filtrami Wierzchonia. Dla filologów (tradycyjnych i nietradycyjnych, ponowoczesnych, badaczy literatur, języków), ale i niefilologów (badaczy kultur, publicystów, dziennikarzy, pisarzy itp.), wszystkich, którzy mają do czynienia ze słowem, słowemprzedmiotem, słowem-narzędziem, są tego słowa aktywnymi uŝytkownikami, a nierzadko i twórcami, dla Ŝyjących w świecie słów, zdań, w świecie tekstów sprawą zasadniczą jest przecieŝ sprawne i szybkie poruszanie się po tym świecie. Jesteśmy świadkami narodzin cyfrowej galaktyki Gutenberga, coraz więcej tekstów powstaje nie na papierze, lecz w wersji (wyłącznie) elektronicznej, bądź równolegle, na papierze i w postaci cyfrowej. Nabiera tempa digitalizacja zasobów bibliotecznych, ratująca je przed zniszczeniem, rozpadaniem się kwaśnego papieru. Być moŝe juŝ dzisiaj tekstów na papierze jest mniej niŝ tekstów na nośnikach elektronicznych. Po oceanach tekstów trzeba się nauczyć Ŝeglować. Tych podróŝy nie boją się młodzi. Starsze pokolenia reagują róŝnie (znam profesorów nadal nie uŝywających komputera do pisania swoich prac, nie umiejących obsługiwać poczty elektronicznej). Część filologów wciąŝ jeszcze wypisuje z badanych tekstów potrzebne byty graficzne na fiszki, układa kartoteki w pudełkach czy szufladkach, nieświadoma, Ŝe istnieje coś takiego, jak wspomaganie komputerowe, informatyczne badań filologicznych (szerzej: humanistycznych). Te tradycyjne zachowania juŝ są nieodwracalnie anachroniczne, dla młodzieŝy filologicznej (humanistycznej) zupełnie nie do przyjęcia. Filolog, badacz wraŝliwy na jakość swojej pracy 1 nie moŝe nie docenić zalet i wielkich przewag cyfrowej rewolucji. To idzie e-młodość! 1 Kierujący się określoną metodologią badawczą; w tym momencie niech mi zarazem wolno będzie przypomnieć ostrzegawczo dawną, złośliwą, ale celną i aktualną uwagę Franciszka Salezego Dmochowskiego (z 1858 r.): zwyczajem wszystkich filologów więcej przywiązywał się do słów, niŝeli do gruntu rzeczy [za: Wawrzyńczyk 2004, s.v. filolog]. 3

4 Przyrastająca z błyskawiczną szybkością masa e-tekstów, zwłaszcza w Internecie (w tym w Runecie 2 ), jest nieporównywalnie łatwiej dostępna czytelniczo niŝ teksty na papierze (a e-oporny stary filolog z dziecinną łopatką do piaskownicy w ręce chce rozkopać Mount Everest papierowy...). Choć z drugiej strony: gwarancja jakości merytorycznej i formalnej, edytorskiej tekstów papierowych jest większa niŝ w wypadku e-tekstów; w Internecie kaŝdy moŝe wstawić swoją pracę, nie ma tu redaktorów, kolegiów redakcyjnych, recenzentów (z wyjątkiem, częściowym, czasopism elektronicznych). Znaczenie Internetu, do którego trafia coraz więcej literatury naukowej, jak i samych źródeł przydatnych badaczom, nieustannie rośnie. Brak nawyku zaglądania do Internetu, korzystania z jego zasobów oczywiście jak wypada kaŝdemu solidnemu badaczowi, korzystania z maksymalną dozą krytycyzmu jest błędem. PoŜytek, jaki przynosi dzisiaj Internet, moŝna zilustrować paroma przykładami z językoznawstwa 3. Np. dzisiaj ustalenia i wnioski badawcze z zakresu lingwistyki barw zawarte w publikacji sprzed 12 lat [Ampel-Rudolf 1994] muszą w znacznej części, dzięki materiałowi tekstowemu dostępnemu elektronicznie, zostać znacznie rozbudowane. W ogóle niektóre tematy muszą być podjęte na nowo, niektóre prace napisane niejako od nowa. Szczególnie przejawi się ten e-przymus rewizji na obszarze słowotwórstwa, frazeologii, leksykografii, w badaniach historii słownictwa polskiego czy rosyjskiego (by wymienić języki mi najbliŝsze) 4. Niewątpliwie takŝe badacz literatury czy historyk kultury (etnokultury) współcześnie ma do dyspozycji znacznie więcej danych niŝ jeszcze kilka czy kilkanaście lat temu. Ktoś, kto kiedyś pisał o takich przedmiotach kultury materialnej, o ich symbolice w tekstach artystycznych, jak баня, велосипед, самовар, трамвай, телефон, 5, dzisiaj musiałby znacznie rozszerzyć swoją wiedzę na te tematy, sięgnąć do zupełnie nowych źródeł, w tym e-źródeł. E-źródła zaś wymagają filtrowania. 2 Zdaje się on zawierać więcej tekstów interesujących filologa, zwłaszcza utworów literatury pięknej, niŝ polska sekcja Światowej Sieci. 3 Mówi się juŝ o e-lingwistyce. 4 Np. w rusycystyce językoznawczej zupełnie brak prac weryfikujących (falsyfikujących) datacje, chronologię słownictwa opisywanego w ramach wielkiego akademickiego cyklu publikacji pod przechodnim tytułem Новое в русской лексике i Новые слова и значения. Jan Wawrzyńczyk poinformował mnie, Ŝe niektóre jednostki, określane tam jako nowe na podstawie wystąpień w tekstach prasowych z lat 60-tych (i późniejszych) ubiegłego wieku, znajdują się w cytatach zawartych w słownikach języka rosyjskiego z tychŝe lat 60-tych i wcześniejszych; chodzi tu o wyrazy de facto ukryte w owych cytatach ilustracyjnych, bo nie umieszczone w siatce haseł tych słowników. 5 Por. te hasła w [Wawrzyńczyk, Małek 2004]. 4

5 O FILTROWANIU TEKSTÓW Filtry to jak wynika z lektury 6 odkrywczych prac Piotra Wierzchonia, przywołanych w niniejszej broszurze nic innego jak wymyślone ad hoc określenie prostego zapisu formuł napisanych w języku wyraŝeń regularnych (RE). UŜywa się tego określenia z braku jakiegoś innego, który by się wydał odpowiedniejszy, stosowniejszy (bardziej fonoestetyczny?), jest zatem właściwie obojętne, jakie będą jego (tego terminu) dalsze losy. Filtry mają słuŝyć przede wszystkim rozwiązaniom praktycznym: mają pomagać znaleźć w tekście określone fragmenty napisów, zapisów, wyraŝeń zatem graficznych, grafemowych. Przeto jeŝeli chcemy odszukać w tekście słowo domek, to wpisujemy w dowolny program 7, który obsługuje składnię wyraŝeń regularnych, napis domek. 6 Nie dla kaŝdego literaturoznawcy łatwej. 7 To moŝe być pierwsza komunikacyjna niejasność. Programów obsługujących wyraŝenia regularne są setki. KaŜdy bardziej zaawansowany program programistyczny (słuŝący do pisania programów lub np. stron www) obsługuje ten mechanizm. Co więcej, nawet w pewnym zakresie obsługuje ten mechanizm M$ Word. Wystarczy w polu Znajdź zaznaczyć: uŝyj symboli wieloznacznych i juŝ moŝna wpisywać formuły: [a-z], [0-9] itd. Oznacza to kolejno: znajdź dowolną literę od a do z, znajdź dowolną cyfrę od 0 do 9. Natomiast zapis [0-9]+ oznacza: znajdź dowolny ciąg cyfr, czyli de facto jakąkolwiek liczbę. 5

6 Naturalnie, jeŝeli chcemy wyszukać wyraz domek, nie musimy mieć programu obsługującego RE, bo siła szukania w RE wynika z szukania inwariantów graficznych. Zatem szukamy niezmiennej formy graficznej: dom, domem, domy, (w tym ciągów) małe domy, małymi domami itd. Chodzi wobec tego o odpowiednie sformułowanie takiego wersu poszukiwania, by obejmował on swą postacią maksymalną liczbę przypadków (tj. postaci graficznych, np. wynikłych z morfologii, ze zjawisk fleksyjnych), które nas w danej chwili interesują. Dlatego przykładem bardziej zaawansowanego filtra jest postać: domk[i iem u]. Zapis ten oznacza: wyszukaj w tekście: domki lub domkiem, lub domku. Na przykład, jeŝeli interesuje nas wyraz z łącznikami, to piszemy jako inwariant: [a-z]+-[a-z]+-[a-z]+ co oznacza: znajdź wyraz złoŝony z jakichkolwiek liter (a-z) i dowolnie długi (to gwarantuje plusik), potem łącznik i potem dwa razy taką samą sytuację, biorąc za inwariant jakikolwiek wyraz, po którym jest łącznik. Rzecz w tym, Ŝeby w tekście znajdować to, czego potrzebujemy. Aby to zrobić, trzeba określić maksymalny inwariant graficzny (czyli to, co się nie zmieni, np. Ŝe nie ulegną zmianie łączniki w wyrazie trójłącznikowym). Konstruowanie konkretnych filtrów jest uwarunkowane konkretnymi Ŝyczeniami lingwisty, dlatego moŝna te filtry pisać bez końca, np.: znajdź wszystkie wyrazy rozpoczynające się od anty-: anty* lub anty[a-z]+ lub 6

7 anty.* Skąd te róŝnice? OtóŜ jak to w świecie informatyków się zdarza, nie ma jednego standardu kodowania wyraŝeń regularnych. Stąd więc róŝne programy (por. przypis 1.) kodują róŝnie te sytuacje tekstowe. Wynika to po prostu juŝ z samego mechanizmu danego programu. Kluczowa idea filtrowania została zastosowana juŝ w pracy o cudzysłowach [Wierzchoń 2003]. Tam poszukiwane były jednostki: "[a-z]+" a więc jednostki, przed którymi (oraz po których) pojawiał się cudzysłów. Oczywiście o powyŝszych przykładach trudno mówić, Ŝe są wyrafinowane pod względem lingwistycznym. Istota pomysłu filtrów wynikała pierwotnie z chęci wyszukania w miarę stałych połączeń wyrazowych (wyszukiwanie kolokacji). PoniewaŜ język polski jest językiem fleksyjnym, naleŝało zaproponować jakiś bardziej prymitywny od światowego (tj. dla angielskiego) mechanizm (kwantytatywne liczenie wszystkich par w tekstach). W [Wierzchoń 2002] filtry ujęte zostały w następujący sposób: "Na przykład chcemy odnaleźć połączenie wyrazowe występujące po wyrazie: przezwano, a jednocześnie interesuje nas potencjalne wystąpienie takich połączeń po ciągach: przezwano go, przezwano ich, przezwano je, przezwano ją, przezwano to. Formułujemy zatem jedno wyraŝenie: przezwano (go ich je ją to ) [a- ]+ [a- ]+" Formuła ta zatem pozwala uŝytkownikowi ( filtratorowi ) odnaleźć wszystkie ciągi dwuwyrazowe, które poprzedzono informacją przezwano oraz go, ich, je, przezwano ją, to. W artykule [Wierzchoń 2002] autor skoncentrował się na następujących filtrach zawierających ciągi: nazwano, określa się, określa się mianem, nazywa się, tzw. TamŜe czytelnik znajdzie propozycję konstrukcji poszczególnych filtrów oraz omówienie problemów i kłopotów powstających podczas pracy z konkretnym filtrem. Przedstawione zostały ilustracyjnie filtry: 1. nazwan[a- ]+ 2. nazwano (go ich je jego jej ją to) 3. nazwan[a- ]+ by 4. nazwano by (go ich je ją to) 5. nazwan[a- ]+ przez [a- ]+ 7

8 6. nazwan[a- ]+ został+ 7. nazywa się 8. nazywa się (go ich je ją on ona ono to) 9. nazywa się (takŝe teŝ) 10. nazywa się (czasem czasami) 11. nazywa się (potocznie inaczej po prostu) 12. mianem 13. mianem tym określ[a- ]+ 14. określa się 15. określa się (go ich je to) (czasem czasami często takŝe zwykle niekiedy nawet) jako 16. tak zwan[a- ]+ 17. tzw\. Po takich ciągach moŝliwe jest wprowadzenie dotyczące dwu- [a- ]+ [a- ]+ lub więcejwyrazowych [a- ]+ [a- ]+ [a- ]+ połączeń (lub jednego wyrazu[a- ]+). Autor pracuje nad udoskonaleniem swoich propozycji, zmierzającym do pełniejszej i efektywniejszej automatyzacji ekscerpcji połączeń wyrazowych. 8

9 BIBLIOGRAFIA Ampel-Rudolf, Mirosława (1994). Kolory. Z badań leksykalnych i składniowo-semantycznych języka polskiego, Rzeszów: WSP. Bańczerowski, Jerzy (ed.) (1991). The application of microcomputers in the humanities, Poznań: UAM. Dudzińska, Aleksandra (2005). Język rosyjski w Internecie. Zarys problematyki, Warszawa: Semiosis Lexicographica. Wawrzyńczyk, Andrzej (2006). Korpusy językowe. Tekstowe zasoby Internetu jako korpus. Wprowadzenie, Warszawa: Takt. Wawrzyńczyk, Jan (2004). Słownik bibliograficzny języka polskiego. Wersja przedelektroniczna. T. 2: D-G, Warszawa: Semiosis Lexicographica. Wawrzyńczyk, Jan, Małek, Eliza (2004). Z materiałów do Słownika bibliograficznego języka rosyjskiego. Terminologia lingwistyczna. Wybrane terminy wiedzy o kulturze i literatureze. Neologizmy, hapaks legomena, Warszawa: Semiosis Lexicographica. Wawrzyńczyk, Jan (red.) (2004). Korpusy języka rosyjskiego w Polsce i na świecie, Warszawa: Semiosis Lexicographica. Wierzchoń, Piotr (2002). Automatyzacja ekscerpcji definiowanych połączeń wyrazowych. Filtry wyraŝeń regularnych, [w:] Krzemińska, W., Nowak, P. (red.), Przestrzenie informacji, Poznań: Sorus, s Wierzchoń, Piotr (2004). Gramatyka diakrytologiczna. Studium ortograficznokwantytatywne, Poznań: Wydawnictwo UAM. Wierzchoń, Piotr (2003). Z cudzysłowów do poczekalni leksykograficznej, Warszawa: Semiosis Lexicographica. Wierzchoń, Piotr (2005). Z cudzysłowów do poczekalni leksykograficznej. II, Warszawa: Takt. 9

10 Notatki 10

11 SPIS TREŚCI Wstęp... 3 O filtrowaniu tekstów... 5 Bibliografia

12 12